通过 无需训练 3D 整流流指导进行弱监督肺结节分割

获得密集注释（例如分割掩模）既昂贵又耗时，特别是对于需要专家体素标记的 3D 医学图像。弱监督方法旨在解决这一限制，但通常依赖于基于归因的方法，这些方法难以准确捕获肺结节等小结构。在本文中，我们通过以即插即用的方式结合预训练的最先进的校正流和预测模型，提出了一种肺结节的弱监督分割方法。我们的方法使用 3D 整流流模型的 无需训练 指导，仅需要使用图像级标签的预测器 微调，并且无需重新训练生成模型。所提出的方法为两个单独的预测变量提供了质量改进的分割，一致地检测不同大小和形状的肺结节。 LUNA16 上的实验证明了相对于基线方法的改进，凸显了生成基础模型作为弱监督 3D 医学图像分割工具的潜力。